我用 AI 排查了一次代码报错：真正省时间的不是生成代码，而是这套流程
面向开发者的 AI 编程工作流：如何准备上下文、让模型定位报错、逐步修改代码并完成测试验证。
很多人第一次用 AI 编程，都会直接问一句：“帮我把这个功能写出来。”
结果往往不太理想。代码看起来完整，放进项目却跑不起来；模型给了很多建议，但没有真正定位问题。不是 AI 不会写代码，而是输入里缺少了项目上下文和验收标准。
我更推荐把 AI 当成一个可以持续协作的工程助手。打开 https://trymodel.chat/chat，从一个具体报错开始，让模型经历“理解、假设、修改、验证”四个步骤。
第一步：先给最小可复现上下文
一次提供下面四类信息就够了：
- 使用的语言、框架和运行命令；
- 出错文件中相关的最小代码片段；
- 完整错误信息和发生步骤；
- 你期望看到的正确行为。
不要一上来粘贴整个项目。上下文太大，模型容易把注意力放在无关文件上，回答也会变得模糊。
可以这样提问：
项目使用 React、TanStack Router 和 TypeScript。执行
pnpm build时，src/routes/chat.tsx报以下错误：……请先判断错误来自类型、路由还是运行时，不要修改文件，先列出需要核对的三项信息。
第一轮只做定位，通常比让模型直接改代码更稳。
第二步：让模型明确假设
当模型给出原因时，继续追问：
你的判断依赖哪些假设？哪些信息还没有确认？请把“已确认事实”和“推测”分开。
这一步很重要。AI 的回答可能听起来很确定，但其中一部分只是根据经验做出的推断。让它显式列出假设，你就知道下一步该查什么。
第三步：只接受小补丁
确认原因后，再要求模型给出最小改动：
只修改解决该错误所需的文件，不重构无关代码。给出补丁后，说明每一处修改为什么必要。
小补丁更容易审查，也更容易回滚。对于登录、支付、数据库和权限等敏感模块，尤其不要直接接受大范围重写。
第四步：把验证命令写进任务
一个完整的 AI 编程任务，结尾应该包含验证方法：
修改完成后运行最快的相关检查。如果检查失败，保留完整输出并解释下一步，不要假装任务已经完成。
你可以让模型同时生成单元测试、手工检查清单和上线前风险说明。这样输出就不只是代码，而是一份可审阅的交付结果。
Trymodel 为什么适合这种工作流
在 https://trymodel.chat/ 中，可以根据任务切换不同模型：复杂推理、代码解释、长文档阅读和快速改写不必使用同一种模型。
需要看截图或报错图片时，可以直接上传文件；需要查最新库文档时，可以打开 https://trymodel.chat/search。任务完成后，登录账号还可以从历史记录继续对话，不必重新解释全部背景。
最后检查四件事
在提交 AI 生成的代码前，至少检查：
- 改动是否只涉及需求范围。
- 是否引入了未审核的依赖或网络调用。
- 错误处理、权限和敏感信息是否完整。
- 构建、测试和关键路径是否真的跑过。
AI 编程真正省下来的，不只是敲代码的时间，而是定位问题、整理上下文和反复解释的时间。流程越清楚，模型越像工程助手；流程越含糊，模型越容易变成代码随机生成器。
从一个真实报错开始，在 https://trymodel.chat/chat 里把这套流程跑一遍，通常比继续收集“万能提示词”更有用。